首頁 > 軟體

如何在Ubuntu 14.04 LTS安裝網路爬蟲工具:Scrapy

2020-06-16 18:03:53

這是一款提取網站資料的開源工具。Scrapy框架用Python開發而成,它使抓取工作又快又簡單,且可延伸。我們已經在virtual box中建立一台虛擬機器(VM)並且在上面安裝了Ubuntu 14.04 LTS。

安裝 Scrapy

Scrapy依賴於Python、開發庫和pip。Python最新的版本已經在Ubuntu上預裝了。因此我們在安裝Scrapy之前只需安裝pip和python開發庫就可以了。

pip是作為python包索引器easy_install的替代品,用於安裝和管理Python包。pip包的安裝可見圖 1。

  1. sudo apt-get install python-pip

圖:1 pip安裝

我們必須要用下面的命令安裝python開發庫。如果包沒有安裝那麼就會在安裝scrapy框架的時候報關於python.h標頭檔案的錯誤。

  1. sudo apt-get install python-dev

圖:2 Python 開發庫

scrapy框架既可從deb包安裝也可以從原始碼安裝。在圖3中我們用pip(Python 包管理器)安裝了deb包了。

  1. sudo pip install scrapy

圖:3 Scrapy 安裝

圖4中scrapy的成功安裝需要一些時間。

圖:4 成功安裝Scrapy框架

使用scrapy框架提取資料

基礎教學

我們將用scrapy從fatwallet.com上提取商店名稱(賣卡的店)。首先,我們使用下面的命令新建一個scrapy專案“store name”, 見圖5。

  1. $sudo scrapy startproject store_name

圖:5 Scrapy框架新建專案

上面的命令在當前路徑建立了一個“store_name”的目錄。專案主目錄下包含的檔案/資料夾見圖6。

  1. $sudo ls lR store_name

圖:6 store_name專案的內容

每個檔案/資料夾的概要如下:

  • scrapy.cfg 是專案組態檔
  • store_name/ 主目錄下的另一個資料夾。 這個目錄包含了專案的python程式碼
  • store_name/items.py 包含了將由蜘蛛爬取的專案
  • store_name/pipelines.py 是管道檔案
  • store_name/settings.py 是專案的組態檔
  • store_name/spiders/, 包含了用於爬取的蜘蛛

由於我們要從fatwallet.com上如提取店名,因此我們如下修改檔案(LCTT 譯註:這裡沒說明是哪個檔案,譯者認為應該是 items.py)。

  1. import scrapy
  2. classStoreNameItem(scrapy.Item):
  3. name = scrapy.Field()# 取出卡片商店的名稱

之後我們要在專案的store_name/spiders/資料夾下寫一個新的蜘蛛。蜘蛛是一個python類,它包含了下面幾個必須的屬性:

  1. 蜘蛛名 (name )
  2. 爬取起點url (start_urls)
  3. 包含了從響應中提取需要內容相應的正規表示式的解析方法。解析方法對爬蟲而言很重要。

我們在storename/spiders/目錄下建立了“storename.py”爬蟲,並新增如下的程式碼來從fatwallet.com上提取店名。爬蟲的輸出寫到檔案(StoreName.txt)中,見圖7。

  1. from scrapy.selector importSelector
  2. from scrapy.spider importBaseSpider
  3. from scrapy.http importRequest
  4. from scrapy.http importFormRequest
  5. import re
  6. classStoreNameItem(BaseSpider):
  7. name ="storename"
  8. allowed_domains =["fatwallet.com"]
  9. start_urls =["http://fatwallet.com/cash-back-shopping/"]
  10. def parse(self,response):
  11. output = open('StoreName.txt','w')
  12. resp =Selector(response)
  13. tags = resp.xpath('//tr[@class="storeListRow"]|
  14. //tr[@class="storeListRow even"]|
  15. //tr[@class="storeListRow even last"]|
  16. //tr[@class="storeListRow last"]').extract()
  17. for i in tags:
  18. i = i.encode('utf-8','ignore').strip()
  19. store_name =''
  20. if re.search(r"class="storeListStoreName">.*?<",i,re.I|re.S):
  21. store_name = re.search(r"class="storeListStoreName">.*?<",i,re.I|re.S).group()
  22. store_name = re.search(r">.*?<",store_name,re.I|re.S).group()
  23. store_name = re.sub(r'>',"",re.sub(r'<',"",store_name,re.I))
  24. store_name = re.sub(r'&amp;',"&",re.sub(r'&amp;',"&",store_name,re.I))
  25. #print store_name
  26. output.write(store_name+""+"n")

圖:7 爬蟲的輸出

注意: 本教學的目的僅用於理解scrapy框架


IT145.com E-mail:sddin#qq.com